一个JS文件，把笔记变成AI问答站

「阅读30篇文档找答案，这是2025年该有的体验吗？」

一位Trilium用户上周被这个问题困住了。他的内部文档站有30篇笔记，结构清晰、搜索可用，但非技术同事被拉进技术对话时，仍需逐篇翻阅才能抓住要点。

他想要的是那种"问文档任何事"的聊天气泡——现代文档站的标配。但不想换平台、不想搭服务、不想学新工具。

于是他写了一个740行的JS文件。零依赖、零构建步骤，通过Trilium的一个relation（关系）直接嵌入。5分钟部署完成。

这篇是他完整的技术路径复盘。

硬门槛：TriliumNext ≥ 0.91

这个方案依赖两个新特性：~shareJs和~shareCss关系。0.91版本才引入。

部署流程极简：

第一步，右键你的共享根笔记，复制note ID。或者直接从分享页URL截取——https://your-trilium.com/share/里的那段字符串。

第二步，新建Code类型笔记，MIME选application/javascript，把widget.js完整粘贴进去。

第三步，修改文件顶部的常量：

const ROOT_NOTE_ID = "REPLACE_ME_WITH_YOUR_ROOT_NOTE_ID";

换成你的实际ID。

第四步，给JS笔记加标签：#shareHiddenFromTree（隐藏于树形结构）。

第五步，在共享根笔记上添加relation：~shareJs@your-js-note-id。

硬刷新分享页。右下角出现气泡。首次点击展开面板，首条消息提示输入API密钥。

全程没有npm install，没有webpack，没有Docker。

核心设计：让模型自己导航，而非预加载全部

常见的"文档AI"有两种粗暴实现：一是把全文塞进prompt，二是跑一套向量嵌入（embedding）管道做语义检索。

作者两者都没选。理由是Trilium提供了干净的树形结构——这是可以被模型主动探索的。

widget只向大语言模型暴露两个工具函数：

第一个是search_notes：按查询词搜索笔记，返回最多8条最佳匹配。参数只有一个字符串类型的query。

第二个是read_note：通过noteId读取特定笔记的完整文本。参数是字符串类型的noteId。

聊天循环的逻辑很直接：持续调用LLM，直到它不再请求工具。

while (true) { const choice = await callLLM(history, base, key, model, systemPrompt, toc); history.push(choice.message); if (choice.finish_reason !== "tool_calls") break; // 处理工具调用... }

模型自己决定搜什么、读哪篇。不需要预计算向量，不需要维护检索索引，文档更新即时生效。

这是用交互设计替代基础设施的典型案例。

三个技术支点：工具循环、目录注入、影子DOM

工具循环（tool-use loop）是上面描述的机制。它把检索决策权交给模型，而非固定算法。

目录注入（TOC injection）解决的是上下文窗口限制。Trilium的笔记树结构被序列化为目录，随每次请求提交。模型据此理解文档层级，规划搜索路径。

影子DOM（Shadow DOM）隔离样式。widget的CSS不会污染宿主页面，Trilium的原生样式也不会干扰聊天界面。740行代码里，UI层完全自包含。

这三个选择共同指向同一个约束：单文件、零依赖、即插即用。

为什么是Trilium？笔记工具的结构化红利

这个方案换到Notion或Obsidian上很难复制。不是因为API开放度，而是因为Trilium的底层数据模型——树形笔记网络，带有明确的父子关系和内部链接。

作者点出了关键洞察：大多数RAG（检索增强生成）系统需要额外构建文档结构，而Trilium的结构是原生自带的。

这意味着工具函数可以直接映射到用户既有的组织方式。不需要重新标注、分段、向量化。文档怎么写，模型就怎么读。

对于已经深度使用Trilium的团队，这是沉没成本的意外变现。

产品逻辑：用交互层弥补信息架构的断层

30篇结构化文档"完整但难用"——这是典型的信息架构与用户场景错位。

非技术同事被临时拉进技术对话，需要的不是系统学习，而是快速定位、提取要点、组织回应。搜索框要求用户知道关键词，目录树要求用户理解分类体系，都不如自然语言提问直接。

聊天气泡的价值不在于AI有多聪明，而在于它把"导航成本"从用户侧转移到了系统侧。

作者的选择很克制：没有重新设计文档站，没有迁移内容，没有引入新平台。只是一个JS文件，嫁接在现有工作流上。

这是"渐进式增强"（progressive enhancement）的当代版本。

边界与权衡：什么没做，为什么

方案明确排除了向量嵌入管道。作者认为，对于30篇笔记的规模，模型自主导航足够高效，额外的基础设施是过度设计。

也没有做对话历史持久化。刷新页面，上下文丢失。这是刻意为之——保持无状态，避免服务端依赖。

API密钥由用户首次使用时输入，存储在浏览器本地。没有后端代理，没有密钥管理服务。这意味着每个使用者需要自己的大模型API额度。

这些取舍定义了方案的适用范围：内部小团队、低频次查询、对延迟不敏感的场景。超出这个边界，需要更重的架构。

行业参照：文档AI的两种哲学

这个单文件方案代表了"轻量嫁接"路径。与之对照的是Vercel的AI SDK、LangChain的文档聊天模板——全功能、可扩展、但依赖现代前端工具链。

两者的差异不是技术优劣，而是假设前提不同。后者假设你会新建一个Next.js项目，前者假设你想在现有系统上打补丁。

Trilium用户的典型画像——自托管、隐私敏感、厌恶订阅制——恰好与"轻量嫁接"的哲学契合。

这也解释了为什么方案选择纯ES2020+：不需要转译，浏览器直接执行。Trilium的分享页本身就是静态HTML，不需要构建步骤。

可复用的模式：工具即接口

widget.js的核心设计——向模型暴露结构化工具，而非预处理数据——正在成为一种范式。

OpenAI的Function Calling、Claude的Tool Use、Gemini的Function Calling，都在推动同一方向：让模型与外部系统通过契约交互，而非通过上下文猜测。

这个方案的特别之处在于，它把"外部系统"压缩到了最小：两个函数，操作一个树形笔记API。没有数据库，没有向量存储，没有编排框架。

对于原型验证和小规模部署，这种极简主义有显著优势。调试时你只需要看网络面板里的两个API调用。

部署后的真实体验

根据作者描述，实际运行流程是：用户点击气泡→输入问题→模型决定搜索关键词→获取笔记列表→选择阅读→综合回答。

首次对话需要粘贴API密钥，之后同会话内持续有效。没有用户认证层，依赖Trilium分享页本身的访问控制。

响应延迟取决于两个因素：模型推理时间（通常是主要部分）和笔记检索时间（Trilium本地API，毫秒级）。

对于"被拉进对话前快速补课"这个场景，体验足够流畅。

为什么这件事值得关注

它示范了一种被低估的AI集成策略：不改造数据层，只增加交互层。

企业文档系统的常见困境是，内容分散在Confluence、Notion、GitHub Wiki、邮件线程里。统一检索需要ETL管道、向量数据库、同步机制——项目启动即重型。

这个方案的反思路是：如果文档已经在某个有结构的地方，能否让AI学会在那个地方查找，而非把所有东西搬到新地方？

Trilium的树形结构恰好提供了这种可能性。模型通过工具调用"浏览"笔记，就像人类用户点击目录和链接。

这不是通用解法。但对于已经深度使用特定工具的团队，它提示了一种低成本实验路径：先验证交互价值，再决定是否投入基础设施。

延伸思考

作者没有讨论但自然浮现的问题：如果笔记数量从30增长到300，这个架构还成立吗？工具调用的轮次增加会不会导致延迟爆炸？是否需要引入缓存或预检索？

另一个维度是权限。Trilium的分享页可以设置密码，但widget本身没有细粒度访问控制。如果不同用户应该看到不同的笔记子集，当前方案如何扩展？

还有模型选择。代码里预留了base URL和model参数，意味着可以用OpenAI、Anthropic或任何兼容端点。但不同模型的工具调用能力差异显著，这会如何影响实际效果？

这些问题没有标准答案，但定义了方案的可能演进方向。

当AI能力变成单文件可插拔的组件，我们是否会看到更多"传统软件+AI层"的轻量组合？这种组合的天花板在哪里——是笔记数量、工具复杂度，还是模型本身的规划能力？